CN114487733A - 一种基于声纹的局部放电检测方法 - Google Patents

Abstract

本发明涉及一种基于声纹的局部放电检测方法，包括以下步骤：建立标准模型数据库；标准模型数据库中包括不同类型的放电模型的标准音频信号特征模型；获取采集的超声信号，采集的超声信号经硬件滤波后由模拟信号转变为语音信号，语音信号进一步经预处理和特征提取得到待比较数据特征；将待比较数据特征与标准模型数据库中的标准音频信号特征模型相比对，得出与标准音频信号特征模型的相似度，若相似度大于设定值，则输出采集的超声信号与对应的放电模型的相似度；本发明通过将获取的超声信号转换成的语音信号与标准音频信号进行比对，能够自动的判读是何种放电类型，同时也能增加了检测人员的可读性，降低了局放判断错误率。

Description

一种基于声纹的局部放电检测方法

技术领域

本发明属于局部放电检测技术领域，具体涉及一种基于声纹的局部放电检测方法。

背景技术

局部放电是造成电力电缆绝缘层破坏的主要原因，检测局部放电是及时发现故障隐患、预测运行寿命、保障电力传输线可靠运行的重要方法。因此需要对输电线路和设备进行定期的巡检，在巡检时多使用便携式的综合巡检仪来检测局部放电现象，检测局放的手段主要有超声检测、红外检测和TEV检测，通常综合巡检仪还配有耳机插孔，超声检测到的信号可以经过音频转换为声音信号，供巡检人员听到，可以根据听到的声音凭经验来识别此处是否发生了局放，结合超声图谱的幅值，从而可以判断出局放发生的位置，但是这种依赖人工听声音判断局放的类型的方式非常依赖于巡检人员的经验，在听声音的时候也需要巡检人员聚精会神，非常耗费精力。

发明内容

本发明的目的是克服现有技术的不足而提供一种基于声纹的局部放电检测方法。

本发明的技术方案如下：

一种基于声纹的局部放电检测方法，包括以下步骤：

建立标准模型数据库；标准模型数据库中包括不同类型的放电模型的标准音频信号特征模型；

获取采集的超声信号，采集的超声信号经硬件滤波后由模拟信号转变为语音信号，语音信号进一步经预处理和特征提取得到待比较数据特征；

将待比较数据特征与标准模型数据库中的标准音频信号特征模型相比对，得出与标准音频信号特征模型的相似度，若相似度大于设定值，则输出采集的超声信号与对应的放电模型的相似度。

进一步的，在建立标准模型数据库步骤中，放电模型的标准音频数据的获取包括以下步骤：

获取标准故障音频；

对标准故障音频进行预处理和特征提取得到标准音频信号特征模型，每个标准音频信号特征模型的图谱通过高斯混合模型表示；

标准音频信号特征模型存储到云平台，在云平台中构建标准模型数据库。

进一步的，所述待比较数据特征与标准模型数据库中的标准音频信号特征模型的相比对的步骤包括：

(1)确定采用的高斯混合模型：

假如放电模型的音频特征序列为(x1，x2……xn)，高斯混合模型的概率分布为：

其中K是混合模型中子高斯模型的数量，k＝1，2，，，，，K，αk是观测数据属于第k个子模型的概率，αk≥0，

是第k个子模型的高斯分布密度函数，

参数

(2)对于待比较数据特征——特征序列X＝(x，x2，x3……xn)，通过下式分别计算待比较数据特征的第t个序列Xi与标准音频信号特征模型中的每个高斯分量的匹配似然度，找到一组参数θ，使得以下似然函数最大化：

(3)若在标准音频信号特征模型中找到一个特征θ使检验概率P(θ/X)大于设定值，则输出该检验概率P(θ/X)作为与该放电模型的相似度。

进一步的，所述预处理步骤包括通过预加重增加语音高频的分辨率以及通过加窗分帧。

进一步的，所述特征提取步骤包括依次进行FFT运算、获取频率能量谱以及MFCC特征获取步骤。

进一步的，采集的超声信号经硬件滤波步骤中，采集的超声信号经过硬件电路多阶带通滤波器，滤除中心频率40kHz以外的频率。

本发明的工作原理是，将采集的超声信息转换为语音信号并处理后与标准音频模型做比对，给出其与标准音频模型的相似度，若相似度高于设定值，如75％，则判定匹配成功，采集的超声信息对应的位置即为对应标准音频模型的放电类型，从而帮助巡检人员进行放电发生与否，以及放电类型的判断。

与现有技术相比，本发明的有益效果是：

目前在超声局放检测中，一直以超声信号强度作为判断是否有局放的依据，这受环境的影响、受超声传播距离的影响，判断不准确，同时也无法判断是何种局放类型，本方法克服以上问题，同时也能判读是何种放电类型，增加了检测人员的可读性，降低了局放判断错误率；

本发明通过将获取的超声信号转换成的语音信号与标准音频信号进行比对，能够自动的输出当前是何种放电信息；相比于传统的通过耳机来人工听声来判断局放位置的方法，本发明不需要依赖于巡检人员的经验，也不需要巡检人员一直听，降低了对巡检人员放电声音熟悉的要求，降低了巡检人员的精力损耗，功能实用，使用简单。

附图说明

图1为本发明实施例的流程图。

图2为不同类型的放电模型的典型图谱。

图3为本发明实施例采集的超声信号经硬件滤波前后的频谱图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于声纹的局部放电检测方法，包括以下步骤：

建立标准模型数据库；标准模型数据库中包括不同类型的放电模型的标准音频信号特征模型；

获取采集的超声信号，采集的超声信号先经多阶带通滤波器滤除中心频率40kHz以外的频率，后由模拟信号转变为语音信号，语音信号进一步经预处理和特征提取得到待比较数据特征；

将待比较数据特征与标准模型数据库中的标准音频信号特征模型相比对；相比对的步骤包括：

(1)确定采用的高斯混合模型：

假如放电模型的音频特征序列为(x1，x2……xn)，高斯混合模型的概率分布为：

其中K是混合模型中子高斯模型的数量，k＝1，2，，，，，K，αk是观测数据属于第k个子模型的概率，αk≥0，

是第k个子模型的高斯分布密度函数，

参数

(2)对于待比较数据特征——特征序列X＝(x，x2，x3……xn)，通过下式分别计算待比较数据特征的第t个序列Xi与标准音频信号特征模型中的每个高斯分量的匹配似然度，找到一组参数θ，使得以下似然函数最大化：使用EM算法迭代计算最大似然估计；

(3)若在标准音频信号特征模型中找到一个特征θ使检验概率P(θ/X)大于设定值，则输出该检验概率P(θ/X)作为与该放电模型的相似度；本实施例中选取概率大于75％以上，输出与对应的放电模型的相似度75％以上，供巡检人员作为判断为此处局部放电类型的有力参考。

进一步的，在建立标准模型数据库步骤中，放电模型的标准音频数据的获取包括以下步骤：

1)获取标准故障音频；图2给出了部分典型的放电模型的图谱；

2)对标准故障音频进行预处理和特征提取得到标准音频信号特征模型，每个标准音频信号特征模型的图谱通过前述的高斯混合模型来表示；

3)将标准音频信号特征模型存储到云平台，在云平台中构建标准模型数据库；在对测得的超声信号进行对比时，也是将预处理和特征提取后的待比较数据上传至云平台中进行的。

进一步的，利用EM算法估计高斯混合模型，包括以下步骤：

第一步：通过随机初始化对高斯混合模型中的参数θ进行初始化；

第二步：在第t步迭代中，假设当前参数是θ^(t-1)，计算每个x_n在第i个高斯分量上的后验概率为：

根据后验概率p(i|x_n，θ^(t-1))，得到一组新的参数估计θ^(t)，其分别为混合权重、均值向量和方差，混合权重为：

均值向量为：

方差为：

进一步的，所述预处理步骤包括通过①预加重增加语音高频的分辨率以及②通过加窗分帧；

①预加重采用时域加重方式，输入语音信号g(x)和输出语音信号h(x)的关系如下：

h(x)＝g(x)-α*g(x-1)，0≤x≤X，0.9＜α＜1

式中，α为预加重系数，g(x)为x时刻的语音采样值，α取值：0.98；预加重处理后，消除直流漂移，提升高频信号的频谱，有利于频谱分析及特征参数提取；

②采用汉明窗对语音信号加窗，汉明窗函数为：

式中，函数为汉明窗，所以α为0.54，取这个值是为了在频率5π/(N-1)处产生零交汇处，可以大幅度消减第一旁瓣；N为窗长，取值1024，n为自然数；

加窗后的语音信号为：

S(n)＝h(n)*W(n，α)，

式中，h(n)为预加重后的信号，W为窗函数，S(n)为加窗后函数。

进一步的，所述特征提取步骤包括依次进行I.FFT((Fast FourierTransformation，离散傅氏变换的快速算法)运算、II.获取频率能量谱以及III.MFCC(MelFrequency Cepstrum Coefficient，梅尔倒谱系数)特征获取步骤：

其中，I.FFT运算步骤包括用下式对预处理后的语音信号进行运算：

式中，Si(n)指输入的语音数据，N为傅里叶变换的点数；

II.获取频率能量谱步骤为让频率能量谱经过一组Mel尺度的三角形滤波器组，并计算每个滤波器组输出的对数能量，公式为：

其中，s(m)为有效语音频谱通过第m个滤波器时的对数能量谱，M为滤波器组中滤波器个数；H_m(k)为语音频谱中频率为k的频谱通过第m个滤波器时的共振峰，n为预设帧长，m为自然数；

III.MFCC特征获取步骤通过让频率能量谱经过一组Mel尺度的三角形滤波器组后，经离散余弦变换后得到：

式中，L为MFCC系数阶数，这里取值12；M是三角滤波器个数，取值26；s(m)为FFT处理后的语音信号通过第M个滤波器时的对数能量值，C_n为每一分帧的MFCC值，n，L均为自然数；三角滤波器的主要目的：对频谱进行平滑化，消除谐波的作用。

进一步的，由于通过超声检测局部放电的时候，超声传感器所接收到的信号十分微弱，达到微伏级，在综合巡检仪上靠近超声的位置放置增益电路及时放大超声信号避免损耗；经测量超声传感器所接收到的原始信号大多在1uV到10uV之间，因此选择80dB的增益电路；根据信号幅频特性可知局部放电所产生的超声信号在40kHz附件最为明显，因此选择中心频率为40kHz的5阶带通滤波电路进行硬件滤波，滤除中心频率40kHz以外的频率，去除一部分干扰，方便后续声纹处理。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于声纹的局部放电检测方法，其特征在于，包括以下步骤：

建立标准模型数据库；标准模型数据库中包括不同类型的放电模型的标准音频信号特征模型；

获取采集的超声信号，采集的超声信号经硬件滤波后由模拟信号转变为语音信号，语音信号进一步经预处理和特征提取得到待比较数据特征；

将待比较数据特征与标准模型数据库中的标准音频信号特征模型相比对，得出与标准音频信号特征模型的相似度，若相似度大于设定值，则输出采集的超声信号与对应的放电模型的相似度。

2.根据权利要求1所述的基于声纹的局部放电检测方法，其特征在于：在建立标准模型数据库步骤中，放电模型的标准音频数据的获取包括以下步骤：

获取标准故障音频；

对标准故障音频进行预处理和特征提取得到标准音频信号特征模型，每个标准音频信号特征模型的图谱通过高斯混合模型表示；

标准音频信号特征模型存储到云平台，在云平台中构建标准模型数据库。

3.根据权利要求2所述的基于声纹的局部放电检测方法，其特征在于：所述预处理步骤包括通过预加重增加语音高频的分辨率以及通过加窗分帧；

预加重采用时域加重方式，输入语音信号g(x)和输出语音信号h(x)的关系如下：

h(x)＝g(x)-α*g(x-1)，0≤x≤X，0.9＜α＜1

式中，α为预加重系数，g(x)为x时刻的语音采样值，α取值0.98；

采用汉明窗对语音信号加窗，汉明窗函数为：

式中，α为0.54；N为窗长，取值1024，n为自然数；

加窗后的语音信号为：

S(n)＝h(n)*W(n，α)

式中，h(n)为预加重后的信号，W为窗函数，S(n)为加窗后函数。

4.根据权利要求2所述的基于声纹的局部放电检测方法，其特征在于：所述特征提取步骤包括依次进行FFT运算、获取频率能量谱以及MFCC特征获取步骤：

FFT运算步骤包括用下式对预处理后的语音信号进行运算：

式中，Si(n)指输入的语音数据，N为傅里叶变换的点数；

获取频率能量谱步骤为，让频率能量谱经过三角带通滤波器，并计算每个滤波器组输出的对数能量，公式为：

其中，s(m)为有效语音频谱通过第m个滤波器时的对数能量谱，M为滤波器组中滤波器个数；H_m(k)为语音频谱中频率为k的频谱通过第m个滤波器时的共振峰，n为预设帧长，m为自然数；

MFCC特征获取步骤为将s(m)带入下列公式：

式中，L为MFCC系数阶数，取值12；M是三角滤波器个数，取值26；s(m)为FFT处理后的语音信号通过第M个滤波器时的对数能量值，C_n为每一分帧的MFCC值，n，L均为自然数。

5.根据权利要求2所述的基于声纹的局部放电检测方法，其特征在于，所述待比较数据特征与标准模型数据库中的标准音频信号特征模型的相比对的步骤包括：

(1)确定采用的高斯混合模型：

假如放电模型的音频特征序列为(x1，x2……xn)，高斯混合模型的概率分布为：

其中K是混合模型中子高斯模型的数量，k＝1，2，，，，，K，αk是观测数据属于第k个子模型的概率，αk≥0，

是第k个子模型的高斯分布密度函数，

参数

(2)对于待比较数据特征——特征序列X＝(x，x2，x3……xn)，通过下式分别计算待比较数据特征的第t个序列Xi与标准音频信号特征模型中的每个高斯分量的匹配似然度，找到一组参数θ，使得以下似然函数最大化：

(3)若在标准音频信号特征模型中找到一个特征θ使检验概率P(θ/X)大于设定值，则输出该检验概率P(θ/X)作为与该放电模型的相似度。

6.根据权利要求5所述的基于声纹的局部放电检测方法，其特征在于：利用EM算法估计高斯混合模型，包括以下步骤：

第一步：通过随机初始化对高斯混合模型中的参数θ进行初始化；

第二步：在第t步迭代中，假设当前参数是θ^(t-1)，计算每个x_n在第i个高斯分量上的后验概率为：

根据后验概率p(i|x_n，λ^(t-1))，得到一组新的参数估计θ^(t)，其分别为混合权重、均值向量和方差，混合权重为：

均值向量为：

方差为：

7.根据权利要求1所述的基于声纹的局部放电检测方法，其特征在于：采集的超声信号经硬件滤波步骤中，采集的超声信号经过硬件电路多阶带通滤波器，滤除中心频率40kHz以外的频率。

Images